ترجمه فارسی مقاله ترکیب جستجوی معماری عصبی و بهینه‌سازی خودکار کد: یک بررسی

چکیده

Deep Learning models have experienced exponential growth in complexity and resource demands in recent years. Accelerating these models for efficient execution on resource-constrained devices has become more crucial than ever. Two notable techniques employed to achieve this goal are Hardware-aware Neural Architecture Search (HW-NAS) and Automatic Code Optimization (ACO). HW-NAS automatically designs accurate yet hardware-friendly neural networks, while ACO involves searching for the best compiler optimizations to apply on neural networks for efficient mapping and inference on the target hardware. This survey explores recent works that combine these two techniques within a single framework. We present the fundamental principles of both domains and demonstrate their sub-optimality when performed independently. We then investigate their integration into a joint optimization process that we call Hardware Aware-Neural Architecture and Compiler Optimizations co-Search (NACOS).

چکیده به فارسی (ترجمه ماشینی)

مدل های یادگیری عمیق در سالهای اخیر رشد نمایی در پیچیدگی و تقاضای منابع را تجربه کرده اند.تسریع این مدل ها برای اجرای کارآمد در دستگاه های دارای منابع منابع بسیار مهمتر از همیشه شده است.دو روش قابل توجه که برای دستیابی به این هدف به کار رفته است ، جستجوی معماری عصبی آگاه سخت افزاری (HW-NAS) و بهینه سازی کد خودکار (ACO) است.HW-NAS به طور خودکار شبکه های عصبی دقیق و در عین حال سخت افزار را طراحی می کند ، در حالی که ACO شامل جستجوی بهترین بهینه سازی کامپایلر برای استفاده در شبکه های عصبی برای نقشه برداری و استنباط کارآمد در سخت افزار هدف است.این بررسی به بررسی آثار اخیر می پردازد که این دو تکنیک را در یک چارچوب واحد ترکیب می کند.ما اصول اساسی هر دو حوزه را ارائه می دهیم و در صورت انجام مستقل ، زیر مطلوب آنها را نشان می دهیم.ما سپس ادغام آنها را در یک فرآیند بهینه سازی مشترک که ما آن را معماری آگاه-عصبی آگاه و بهینه سازی کامپایلر (NACOS) می نامیم ، بررسی می کنیم.